Es importante investigar el rendimiento a largo plazo de un modelado preciso de sistemas fotovoltaicos (PV), especialmente en la predicción de la potencia de salida, con modelos de diodo simple y doble como las configuraciones principalmente aplicadas para este propósito. Sin embargo, el uso de una configuración para modelar un panel PV limita la precisión de sus rendimientos predichos. Este documento propone un nuevo enfoque híbrido basado en algoritmos de clasificación en el marco de aprendizaje automático que combina tanto modelos simples como dobles de acuerdo con la condición climática para predecir la potencia de salida de PV con mayor precisión. Los árboles de clasificación, el vecino más cercano, el análisis discriminante, el Bayes ingenuo, las máquinas de vectores de soporte (SVM) y los algoritmos de conjuntos de clasificación se investigan para estimar la potencia de PV bajo diferentes condiciones del clima mediterráneo. Los algoritmos de clasificación examinados demuestran que el modelo de doble diodo parece más relevante para niveles bajos y medios de irradiación solar y temperatura. Una precisión entre el 86% y el 87.5% demuestra el alto potencial de las técnicas de clasificación en la predicción de la potencia de PV. El error absoluto medio normalizado de hasta el 1.5% garantiza errores menores que los obtenidos tanto de los modelos de circuito equivalente de diodo simple como de doble diodo, con una reducción de hasta el 0.15%. El enfoque híbrido propuesto utilizando algoritmos de aprendizaje automático (ML) podría ser una solución clave para la predicción de rendimientos más precisos en software fotovoltaico e industrial.